Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI)
Naufal Dhiya Putra Dalimunthe
Universitas Potensi Utama
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Klasifikasi Tingkat Kedisiplinan Siswa Menggunakan Algoritma Machine Learning: Decision Tree, KNN, dan Naive Bayes Damri Mulia Hutabalian; Pebruarianto Hutabarat; Mhd Prasetyo; Mhd Agung Irnanda; Naufal Dhiya Putra Dalimunthe; Rika Rosnelly
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 4 No. 3 (2026): Februari 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v4i3.788

Abstract

Discipline is a crucial factor influencing the effectiveness of learning processes and the quality of graduates in vocational education. SMK Swasta RK Bintang Timur Pematangsiantar maintains records of student attendance and academic performance that have the potential to be analyzed as indicators of student discipline. However, these data have not been optimally utilized as a basis for decision-making to provide early detection of students who are at risk of declining discipline. This research aims to develop a predictive model of student discipline by identifying patterns of attendance and academic achievement using a data mining approach.The study employs the CRISP-DM framework, consisting of business understanding, data understanding, data preparation, modeling, evaluation, and deployment. The dataset includes daily attendance records, semester academic grades, and documented disciplinary behavior used as class labels. Several classification algorithms—Decision Tree (C4.5), KNN, Naive Bayes were implemented to compare model performance. Model evaluation was conducted using confusion matrix, accuracy, precision, recall, and F1-score, with k fold cross-validation.The results show that attendance and academic performance patterns significantly influence the prediction of student discipline levels. The Random Forest algorithm produced the highest performance results, with consistent F1-scores for at-risk student categories. The most influential features include attendance percentage, the number of unexcused absences, and average academic scores. The resulting model is implemented as a decision support prototype dashboard to assist counseling teachers and homeroom teachers in monitoring potential disciplinary violations and planning early intervention. This research is expected to support the development of data-driven discipline monitoring systems in schools and provide practical benefit in preventive actions to improve student behavior quality at SMK Swasta RK Bintang Timur Pematangsiantar.
Optimasi Performa Model SVM dan Random Forest untuk Klasifikasi Kanker Payudara Menggunakan Penyetelan Hyperparameter Adil Setiawan; Andri Armaginda Siregar; Nanda Setiawan; Jalaluddin Nasution; Naufal Dhiya Putra Dalimunthe; Farhan Sardy Abdillah
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 4 No. 3 (2026): Februari 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v4i3.789

Abstract

Kanker payudara merupakan salah satu penyakit dengan tingkat morbiditas dan mortalitas yang tinggi, sehingga deteksi dini dan diagnosis yang akurat menjadi faktor kunci dalam meningkatkan keberhasilan terapi. Perkembangan machine learning memberikan peluang besar dalam mendukung proses klasifikasi kanker payudara berbasis data medis. Penelitian ini bertujuan untuk mengevaluasi dan mengoptimalkan kinerja algoritma Support Vector Machine (SVM) dan Random Forest dalam klasifikasi kanker payudara melalui penerapan Hyperparameter tuning. Dataset yang digunakan adalah Breast Cancer Wisconsin (Diagnostic), yang terdiri dari 569 sampel hasil pemeriksaan Fine Needle Aspirate (FNA) dengan 30 fitur numerik serta dua kelas target, yaitu benign dan malignant. Metodologi penelitian meliputi tahap pra-pemrosesan data, pembagian data menggunakan stratified train–test split, pelatihan model baseline, optimasi Hyperparameter menggunakan GridSearchCV dengan 5-fold cross-validation, serta evaluasi performa model menggunakan metrik accuracy, precision, recall, F1-score, confusion matrix, dan ROC–AUC. Hasil eksperimen menunjukkan bahwa kedua model mampu mencapai performa klasifikasi yang tinggi dengan tingkat akurasi sekitar 97% pada data uji. Hyperparameter tuning memberikan peningkatan performa yang lebih konsisten pada model SVM, khususnya pada recall kelas malignant dan nilai AUC, sedangkan Random Forest menunjukkan performa yang relatif stabil sebelum dan sesudah optimasi. Temuan ini menegaskan bahwa Hyperparameter tuning berperan penting dalam validasi dan stabilitas model, meskipun tidak selalu menghasilkan peningkatan performa numerik yang signifikan pada dataset benchmark.
Analisis Keamanan dan Kebijakan Privasi dalam Penggunaan Teknologi Internet of Things (IoT) untuk Smart Cities Andri Armaginda Siregar; Marulak Lasron Siahaan; Damri Mulia Hutabalian; Jalaluddin Nasution; Mhd. Agung Irnanda; Naufal Dhiya Putra Dalimunthe
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 4 No. 3 (2026): Februari 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v4i3.802

Abstract

 Perkembangan teknologi Internet of Things (IoT) telah menjadi komponen fundamental dalam implementasi smart cities melalui pemanfaatan sistem berbasis data untuk meningkatkan efisiensi, kualitas layanan publik, dan pengelolaan infrastruktur perkotaan. Namun, adopsi IoT dalam skala kota juga menghadirkan tantangan signifikan terkait keamanan sistem dan perlindungan privasi data warga. Sistem IoT pada smart cities menghasilkan data dalam volume besar, bersifat real-time, terdistribusi, dan sering kali mengandung informasi sensitif, sehingga rentan terhadap ancaman keamanan siber dan penyalahgunaan data. Penelitian ini bertujuan untuk menganalisis secara komprehensif aspek keamanan dan kebijakan privasi dalam penggunaan teknologi IoT pada smart cities melalui pendekatan terintegrasi. Metode yang digunakan adalah Systematic Literature Review (SLR) dengan pendekatan kualitatif deskriptif terhadap 25 publikasi ilmiah terpilih pada periode 2022-2025, yang terdiri dari artikel jurnal, prosiding konferensi, dan dokumen kebijakan yang relevan. Hasil penelitian menunjukkan bahwa ancaman keamanan dan risiko privasi muncul pada seluruh lapisan arsitektur IoT, mulai dari perangkat, jaringan, pengolahan data, hingga aplikasi dan tata kelola. Selain itu, kebijakan privasi yang ada umumnya masih bersifat normatif dan belum sepenuhnya terintegrasi dengan praktik teknis IoT di lapangan. Temuan ini menegaskan bahwa keberhasilan implementasi smart cities tidak hanya ditentukan oleh solusi teknis keamanan, tetapi juga oleh efektivitas kebijakan privasi dan tata kelola data yang transparan. Penelitian ini berkontribusi dengan menyajikan kerangka analisis integratif yang menghubungkan keamanan IoT, kebijakan privasi, dan kepercayaan publik sebagai fondasi pengembangan smart cities yang berkelanjutan.
Co-Authors Andri Armaginda Siregar Damri Mulia Hutabalian Farhan Sardy Abdillah Jalaluddin Nasution Marulak Lasron Siahaan Mhd Agung Irnanda Mhd Prasetyo Mhd. Agung Irnanda Nanda Setiawan Pebruarianto Hutabarat Rika Rosnelly Setiawan, Adil